人工智能助力治疗阿尔茨海默病

经过数万次常规脑部扫描测试的模型发现疾病风险的准确率高达 90%

尽管研究人员在使用研究中收集的高质量脑成像测试来检测阿尔茨海默病的迹象方面取得了长足进步，但马萨诸塞州总医院的一个团队最近开发了一种依赖于常规收集的临床脑图像的准确方法。 这一进展可能会带来更准确的诊断。

在这项发表在 PLOS ONE 上的研究中，马萨诸塞州将军系统生物学中心研究员、马萨诸塞州阿尔茨海默病研究中心研究员马修·莱明 (Matthew Leming) 和他的同事使用了深度学习——一种机器学习和人工智能， 使用大量数据和复杂算法来训练模型。

在这种情况下，科学家们根据从 2019 年之前在麻省总医院就诊的患有和未患阿尔茨海默病的患者收集的脑部磁共振图像 (MRI) 数据，开发了一种阿尔茨海默病检测模型。

接下来，该小组在五个数据集（2019 年之后的麻省总医院、2019 年之前和之后的布莱根妇女医院以及 2019 年之前和之后的外部系统）测试了该模型，看看它是否能够根据真实数据准确识别阿尔茨海默病。 -世界临床数据，无论医院和时间。

总体而言，该研究涉及来自 2,348 名有阿尔茨海默病风险的患者的 11,103 张图像和来自 8,456 名无阿尔茨海默病患者的 26,892 张图像。 在所有五个数据集中，该模型以 90.2% 的准确率检测出阿尔茨海默病风险。

这项工作的主要创新之一是它能够检测阿尔茨海默氏症，而不受年龄等其他变量的影响。

“阿尔茨海默病通常发生在老年人身上，因此深度学习模型通常很难检测出较罕见的早期发病病例，”Leming说。 “我们通过让深度学习模型对与患者列出的年龄过度相关的大脑特征‘视而不见’来解决这个问题。”

Leming 指出，疾病检测中的另一个常见挑战，尤其是在现实世界中，是处理与训练集非常不同的数据。 例如，使用通用电气制造的扫描仪上的 MRI 进行训练的深度学习模型可能无法识别西门子制造的扫描仪上收集的 MRI。

该模型使用不确定性指标来确定患者数据是否与其训练数据相差太大，以致无法做出成功的预测。

“这是仅有的使用常规收集的脑部核磁共振成像来尝试检测痴呆症的研究之一。 虽然已经进行了大量通过大脑 MRI 检测阿尔茨海默病的深度学习研究，但这项研究朝着在现实世界的临床环境中而不是在完美的实验室环境中实际执行这一目标迈出了实质性的一步，”Leming 说。 “我们的结果具有跨地点、跨时间和跨人群的普遍性，为这种诊断技术的临床应用提供了强有力的理由。”

以上内容来源于Harvard ：Using AI to target Alzheimer’s – Harvard Gazette